CN113080966A - 一种基于睡眠分期的抑郁症自动检测方法 - Google Patents
一种基于睡眠分期的抑郁症自动检测方法 Download PDFInfo
- Publication number
- CN113080966A CN113080966A CN202110302453.XA CN202110302453A CN113080966A CN 113080966 A CN113080966 A CN 113080966A CN 202110302453 A CN202110302453 A CN 202110302453A CN 113080966 A CN113080966 A CN 113080966A
- Authority
- CN
- China
- Prior art keywords
- sleep
- features
- data
- depression
- detection method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 230000008667 sleep stage Effects 0.000 title claims abstract description 33
- 230000007958 sleep Effects 0.000 claims abstract description 72
- 239000013598 vector Substances 0.000 claims abstract description 14
- 238000012880 independent component analysis Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 239000008280 blood Substances 0.000 claims description 6
- 210000004369 blood Anatomy 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 3
- 230000000994 depressogenic effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 230000003595 spectral effect Effects 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000000241 respiratory effect Effects 0.000 description 6
- 206010062519 Poor quality sleep Diseases 0.000 description 3
- 230000004461 rapid eye movement Effects 0.000 description 3
- 230000004622 sleep time Effects 0.000 description 3
- 208000020401 Depressive disease Diseases 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000004620 sleep latency Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4812—Detecting sleep stages or cycles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Social Psychology (AREA)
- Optics & Photonics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Pulmonology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种基于睡眠分期的抑郁症自动检测方法，包括：获取睡眠数据，所述睡眠数据包括脑电、眼电和肌电的睡眠数据；对所述睡眠数据进行独立成分分析后分成相同长度的若干睡眠数据段；提取所述睡眠数据段的特征，包括频谱特征、边缘频率、绝对能量值、统计特征、Hjorth特征、最大最小距离和Esis特征；将所述特征组成特征向量进行特征选择；将选择得到的特征放入分类器中进行分类预测得到睡眠分期标签数据；将睡眠分期标签数据输入到训练好的抑郁症检测模型，输出所述测试者是否患有抑郁症的结果。本申请的睡眠分期的抑郁症自动检测方法具有低成本、高效和可靠的优点，有助于客观诊断和评估治疗效果，从而减少因为主观因素而导致误诊的情况发生。
Description
技术领域
本发明涉及抑郁症的检测方法，尤其是涉及一种基于睡眠分期的抑郁症自动检测方法。
背景技术
抑郁症作为当前最紧迫的公共健康问题之一，其诊断几乎完全取决于医生与患者之间的沟通交流以及填写相关的问卷量表等。此类诊断方法通常主观性比较强，例如病人因为其隐私问题而隐藏自己的真实感受，或者医生可能会对不同的患者使用不同的测试标准进行诊断，从而导致误诊。
睡眠脑电图信号是抑郁症的生物标记之一，有助于客观检测和诊断抑郁症。目前临床中常用的睡眠评估手段多以多导睡眠图(Polysomnography,PSG)为基础将睡眠进行分期，其结果包括清醒期(W)、浅睡期(N1、N2)、深睡期(N3)和快速眼动期(REM)。手工睡眠分期通常由经验丰富的专业医生将多导睡眠图按30秒一帧进行解读，从而得出睡眠分期结果。这种方法存在工作量大，耗时长，主观性强的问题。睡眠自动分期则是通过获取人体的生物电信号来提取特征进行识别，常见以下方法：基于脑电信号的睡眠分期；基于结合脑电信号和眼动信号的睡眠分期；基于PSG的睡眠分期。但是，这些方法均存在一定的弊端。单通道脑电信号属于单模态信号比较微弱易受干扰，采取的通道比较少则会导致接收到的信息有限，影响睡眠分期的可靠性。融合脑电和眼电的方法虽然可以帮助消除眼电伪迹，但大多数仍以提取脑电信号为主要手段，可提取的特征信息有限。PSG则需要比较多的传感器，会在一定程度上影响受试者的睡眠质量，而且多导睡眠监测系统的成本比较高；另外PSG的数据量大，这会导致睡眠自动分期的时间成本大幅上升。
发明内容
为弥补现有技术的缺点与不足，本发明提供了一种基于睡眠分期的抑郁症自动检测方法，通过对多模态信号进行处理和特征提取进行高效可靠的睡眠自动分期，以实现抑郁症的自动检测。
本发明是通过如下技术方案实现的：
一种基于基于睡眠分期的抑郁症自动检测方法，包括：
获取测试者的睡眠数据，所述睡眠数据包括脑电、眼电和肌电的睡眠数据；对所述睡眠数据进行独立成分分析后分成相同长度的若干睡眠数据段；提取所述睡眠数据段的特征，所述特征包括频谱特征、边缘频率、绝对能量值、统计特征、Hjorth特征、最大最小距离和Esis特征；将所述特征组成特征向量进行特征选择处理得到各项特征的权重，选择权重值为正的特征；将特征选择得到的特征放入支持向量机分类器中进行分类预测得到睡眠分期标签数据；将所述睡眠分期标签数据输入到训练好的抑郁症检测模型，所述抑郁症检测模型输出所述测试者是否患有抑郁症的结果。
进一步地，所述训练好的抑郁症检测模型的训练方法包括：
获取训练集的睡眠数据，所述睡眠数据包括脑电、眼电和肌电的睡眠数据，所述训练集由比例接近的正常人和抑郁患者组成；对所述睡眠数据进行独立成分分析后分成相同长度的若干睡眠数据段；提取所述睡眠数据段的特征，所述特征包括频谱特征、边缘频率、绝对能量值、统计特征、Hjorth特征、最大最小距离和Esis特征；将所述特征组成特征向量进行特征选择处理得到各项特征的权重，选择权重值为正的特征；将特征选择得到的特征放入支持向量机分类器中进行分类预测得到睡眠分期标签数据；整合所述睡眠分期标签数据，提取抑郁症患者的睡眠特征；将所述抑郁症患者的睡眠特征组成特征向量，放入支持向量机分类器训练得到抑郁症检测模型。
进一步地，所述睡眠信号还包括呼吸信号、血氧饱和度和脉搏信号；所述特征还包括呼吸信号和血氧饱和度的呼吸波峰数量、间隔平均值、标准差、能量谱、近似熵和样本熵特征以及脉搏信号的脉搏间期特征。
进一步地，所述睡眠数据段为每帧30秒的数据段。
本申请的基于睡眠分期的抑郁症自动检测方法，基于多模态信号，具有低成本、高效和可靠的优点，其用来检测诊断抑郁症，有助于客观诊断和评估治疗效果，从而减少因为主观因素而导致误诊的情况发生。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1是本发明的一种基于睡眠分期的抑郁症自动检测方法的流程示意图；
图2是本发明的一种基于睡眠分期的抑郁症自动检测方法的实施例的算法流程示意图；
图3是本发明的一种基于睡眠分期的抑郁症自动检测方法的实施例的的具体流程示意图；
图4是本发明的一种基于睡眠分期的抑郁症自动检测方法的实施例的数据集的单通道信号与多模态信号的睡眠分期准确率的对比图。
具体实施方式
请同时参阅图1-3，本发明的一种基于睡眠分期的抑郁症自动检测方法的具体实施步骤包括：
获取包括脑电(EEG)、眼电(EOG)和肌电(EMG)的睡眠数据，其中，所述睡眠数据还可以包括呼吸数据、血氧饱和度和脉搏数据。本实施例获取的睡眠数据来自公共数据集Sleep-EDF。Sleep-EDF数据集包含若干个受试者的整晚睡眠数据的PSG信号，每个PSG记录包含Fpz-Cz和Pz-Cz两通道脑电图信号，1个EOG信号，1个肌电图信号，1个口鼻呼吸信号和1个体温信号。所有EEG和EOG信号的采样率均为100Hz，其他信号的采样率均为1Hz。
对睡眠数据进行预处理，即先对EEG、EOG和EMG信号进行0.3～35Hz带通滤波处理，然后对EEG、EOG和EMG信号进行独立成分分析，并设初始学习率为5.91655×10^(-4)，得到一系列解混数据。最后将数据进行分段处理，每30秒一帧，将一整晚的睡眠数据分成相同长度的若干数据段。
对睡眠数据段提取频谱特征、边缘频率、绝对能量值、统计特征、Hjorth特征、最大最小距离和Esis特征。
所述频谱特征是先将30秒一帧的数据段继续划分15个子片段，每段2秒，对每个子片段作傅里叶变换得到频谱的幅值分布，随后对其提取均值Sc、频谱宽度Sw、频谱非对称值Sa、光谱平坦度Sk、频谱平坦度SF、频谱斜率Ss和频谱衰减度Sd：
Sc＝μ1
其中，
fk是指数据段作傅里叶变换第k成分的频率
ak代表对应的傅里叶变换系数，N代表傅里叶变换的数据点个数。
所述边缘频率SEFd是计算95％的频谱边缘频率SEF95和50％频谱边缘频率SEF50之差：
SEFd＝SEF95-SEF50
其中N代表傅里叶变换的数据点个数，ai代表对应的傅里叶变换系数，x是满足等式的系数下标，freq是指由系数下标转换为对应频率的运算。
所述绝对能量AP是测量aIpha波段功率(即8Hz～16Hz)并取其绝对能量值，令f1＝8Hz，f2＝16Hz：
其中n(fi)代表频率fi对应的傅里叶变换系数下标，ai代表对应的傅里叶变换系数。
所述统计特征是通过统计分析提取信号数据中的原始信号均值μx、原始信号的标准差σx、一阶差分的均值δx、一阶差分的标准差
二阶差分的均值γx和二阶差分的标准差
共计6个特征值：
其中N代表数据点个数，x(n)是原始信号，
是标准化后的信号，即
所述Hjorth特征是提取信号在时空中的统计特性，包括活动性Activity、移动性Mobility和复杂度Complexity：
其中σx，σx′，σx″分别是x(n)，x′(n)，x″(n)的标准差。x′(n)和x″(n)分别是原始信号x(n)的一二阶导数。
所述最大最小距离MMD，是设置滑动窗口w大小为100，并计算滑动窗口内的最大点与最小点之间的距离d，并计算整帧的最大最小距离的均值：
其中w是滑动窗口大小，di是当前窗口内的最大距离。
所述Esis特征是由信号的幅值和波长相乘得到信号的速度，然后用速度乘以信号振幅的平方所得的值：
其中N是数据点个数，f和λ代表信号的幅值和波长，
代表信号振幅的平方。
随后提取每一帧呼吸数据和血氧饱和度的呼吸波峰数量、间隔平均值、标准差、能量谱、近似熵和样本熵等特征；以及提取每一帧脉搏数据的脉搏间期特征。
将提取出来的特征组成特征向量，通过ReliefF方法进行特征选择处理，利用标签和提取的特征选择各个特征的权重并排序。权重大于零的特征放入特征向量，丢弃权重小于或等于零的特征，从而得到小规模的、精简的特征向量。
随后将其放入支持向量机里分类预测，参数设置为’-s 0 -t 0’，使用线性核函数，而且选择支持向量机类型为C-SVC，得到睡眠分期标签数据，包括以下特征：
1.REM潜伏期：指从躺下到进入快速眼动阶段之间的时间。
2.睡眠潜伏期：指从躺下到出现清醒期的时间。
3.浅睡期比例：浅睡期占总睡眠时间的比例。
4.深睡期比例：深睡期占总睡眠时间的比例。
5.睡眠维持度：入睡所需时间占总睡眠时间的比例。
6.觉醒次数：整晚睡眠的觉醒次数累计和。
本实施例使用Sleep-EDF数据集，包含多模态信号，能够显著提高睡眠分期的准确率，如下表和图4所示。
表：Sleep-EDF数据集下单通道信号与多模态信号的睡眠分期准确率对比
由于多模态信号包括眼电和肌电，所容纳的信息很多，既可以利用独立成分分析方法去除伪迹，又可以利用EOG获取快速眼动期的信息。不仅如此，ReliefF方法常用于特征选择，可以处理多类别问题，并且其运行效率高，效果不错。
本实施例使用Sleep-EDF数据集中6个抑郁症患者和4个正常人的睡眠数据经过上述步骤得到这10个人的睡眠分期标签数据，整合后提取出抑郁症患者的睡眠特征。将提取到的抑郁症患者睡眠特征组成向量，放进支持向量机分类器分类器中，划分70％训练数据和30％测试数据，训练机器获得抑郁症检测模型。
本实施例使用Sleep-EDF数据集另外13个抑郁症患者和8个正常人的睡眠数据经过上述步骤得到这21个人的睡眠分期标签数据，输入到上述训练好的抑郁症检测模型，所述抑郁症检测模型输出结果为正常或抑郁症，所述结果正确识别出其中20个人是否患有抑郁症，准确率达到95.24％。
由此可见，相对于现有技术，本发明的一种基于睡眠分期的抑郁症自动检测方法具有低成本、高效和可靠的优点，其用来检测诊断抑郁症，有助于客观诊断抑郁症和评估其治疗效果，从而减少因为主观因素而导致误诊的情况发生。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。
Claims (6)
1.一种基于睡眠分期的抑郁症自动检测方法，其特征在于，包括：
获取测试者的睡眠数据，所述睡眠数据包括脑电、眼电和肌电的睡眠数据；
对所述睡眠数据进行独立成分分析后分成相同长度的若干睡眠数据段；
提取所述睡眠数据段的特征，所述特征包括频谱特征、边缘频率、绝对能量值、统计特征、Hjorth特征、最大最小距离和Esis特征；
将所述特征组成特征向量进行特征选择处理得到各项特征的权重，选择权重值为正的特征；
将特征选择得到的特征放入支持向量机分类器中进行分类预测得到睡眠分期标签数据；
将所述睡眠分期标签数据输入到训练好的抑郁症检测模型，所述抑郁症检测模型输出所述测试者是否患有抑郁症的结果。
2.根据权利要求1所述的基于睡眠分期的抑郁症自动检测方法，其特征在于，所述训练好的抑郁症检测模型的训练方法包括：
获取训练集的睡眠数据，所述睡眠数据包括脑电、眼电和肌电的睡眠数据，所述训练集由比例接近的正常人和抑郁患者组成；
对所述睡眠数据进行独立成分分析后分成相同长度的若干睡眠数据段；
提取所述睡眠数据段的特征，所述特征包括频谱特征、边缘频率、绝对能量值、统计特征、Hjorth特征、最大最小距离和Esis特征；
将所述特征组成特征向量进行特征选择处理得到各项特征的权重，选择权重值为正的特征；
将特征选择得到的特征放入支持向量机分类器中进行分类预测得到睡眠分期标签数据；整合所述睡眠分期标签数据，提取抑郁症患者的睡眠特征；
将所述抑郁症患者的睡眠特征组成特征向量，放入支持向量机分类器训练得到抑郁症检测模型。
3.根据权利要求1或2所述的基于睡眠分期的抑郁症自动检测方法，其特征在于所述睡眠数据还包括呼吸数据；所述特征还包括呼吸数据的呼吸波峰数量、间隔平均值、标准差、能量谱、近似熵和样本熵特征。
4.根据权利要求1或2所述的基于睡眠分期的抑郁症自动检测方法，其特征在于所述睡眠数据还包括血氧饱和度；所述特征还包括血氧饱和度的呼吸波峰数量、间隔平均值、标准差、能量谱、近似熵和样本熵特征。
5.根据权利要求1或2所述的基于睡眠分期的抑郁症自动检测方法，其特征在于所述睡眠数据还包括脉搏数据；所述特征还包括脉搏数据的脉搏间期特征。
6.根据权利要求1或2所述的基于睡眠分期的抑郁症自动检测方法，其特征在于所述睡眠数据段为每帧30秒的数据段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110302453.XA CN113080966A (zh) | 2021-03-22 | 2021-03-22 | 一种基于睡眠分期的抑郁症自动检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110302453.XA CN113080966A (zh) | 2021-03-22 | 2021-03-22 | 一种基于睡眠分期的抑郁症自动检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113080966A true CN113080966A (zh) | 2021-07-09 |
Family
ID=76669471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110302453.XA Pending CN113080966A (zh) | 2021-03-22 | 2021-03-22 | 一种基于睡眠分期的抑郁症自动检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113080966A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113974646A (zh) * | 2021-12-01 | 2022-01-28 | 湖南万脉医疗科技有限公司 | 一种基于信息耦合的睡眠评估方法 |
| CN114916947A (zh) * | 2022-06-13 | 2022-08-19 | 华南师范大学 | 基于眼电的疲劳检测方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012018157A1 (ko) * | 2010-08-01 | 2012-02-09 | 연세대학교 산학협력단 | 생체신호 기반 자동 수면단계 분류시스템 |
| CN108388912A (zh) * | 2018-02-08 | 2018-08-10 | 南京理工大学 | 基于多传感器特征优化算法的睡眠分期方法 |
| CN108968915A (zh) * | 2018-06-12 | 2018-12-11 | 山东大学 | 基于熵特征及支持向量机的睡眠状态分类方法及系统 |
| US20210045676A1 (en) * | 2019-08-12 | 2021-02-18 | Honeynaps Co., Ltd. | Apparatus for automatically determining sleep disorder using deep running and operation method of the apparatus |
| CN112450881A (zh) * | 2020-11-12 | 2021-03-09 | 武汉大学 | 一种基于时序关联性驱动的多模态睡眠分期方法 |
-
2021
- 2021-03-22 CN CN202110302453.XA patent/CN113080966A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012018157A1 (ko) * | 2010-08-01 | 2012-02-09 | 연세대학교 산학협력단 | 생체신호 기반 자동 수면단계 분류시스템 |
| CN108388912A (zh) * | 2018-02-08 | 2018-08-10 | 南京理工大学 | 基于多传感器特征优化算法的睡眠分期方法 |
| CN108968915A (zh) * | 2018-06-12 | 2018-12-11 | 山东大学 | 基于熵特征及支持向量机的睡眠状态分类方法及系统 |
| US20210045676A1 (en) * | 2019-08-12 | 2021-02-18 | Honeynaps Co., Ltd. | Apparatus for automatically determining sleep disorder using deep running and operation method of the apparatus |
| CN112450881A (zh) * | 2020-11-12 | 2021-03-09 | 武汉大学 | 一种基于时序关联性驱动的多模态睡眠分期方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113974646A (zh) * | 2021-12-01 | 2022-01-28 | 湖南万脉医疗科技有限公司 | 一种基于信息耦合的睡眠评估方法 |
| CN114916947A (zh) * | 2022-06-13 | 2022-08-19 | 华南师范大学 | 基于眼电的疲劳检测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020119245A1 (zh) | 一种基于可穿戴手环的情绪识别系统及方法 | |
| Fraser et al. | Automated biosignal quality analysis for electromyography using a one-class support vector machine | |
| Güler et al. | Classification of EMG signals using PCA and FFT | |
| Chapotot et al. | Automated sleep–wake staging combining robust feature extraction, artificial neural network classification, and flexible decision rules | |
| US8280501B2 (en) | Systems and methods for quantitatively characterizing slow wave activities and states in sleep | |
| CN111466876A (zh) | 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统 | |
| Bairy et al. | Automated diagnosis of depression electroencephalograph signals using linear prediction coding and higher order spectra features | |
| US10537258B2 (en) | Method and software to determine probability of sleep/wake states and quality of sleep and wakefulness from an electroencephalogram | |
| CN106413541B (zh) | 用于诊断睡眠的系统和方法 | |
| Kuo et al. | Automatic stage scoring of single-channel sleep EEG based on multiscale permutation entropy | |
| CN112603332A (zh) | 一种基于脑电信号特征分析的情感认知方法 | |
| CN113080966A (zh) | 一种基于睡眠分期的抑郁症自动检测方法 | |
| CN104173046A (zh) | 一种色彩标记振幅整合脑电图的提取方法 | |
| KR102482796B1 (ko) | 원격 광용적맥파 측정을 이용한 비접촉 심박 변이도 분석 장치 및 방법 | |
| Ugur et al. | An efficient automatic arousals detection algorithm in single channel EEG | |
| CN113598790A (zh) | 基于听觉刺激的意识障碍脑功能网络的意识评估方法 | |
| Ahmed et al. | Detection of sleep apnea using sub-frame based temporal variation of energy in beta band in EEG | |
| CN113397519A (zh) | 心血管健康状态的检测装置 | |
| JP2013103072A (ja) | メンタル状態推定装置、メンタル状態推定システム、メンタル状態推定方法、メンタル状態推定プログラム、及び携帯端末 | |
| CN115500843A (zh) | 基于零样本学习与对比学习的睡眠阶段分期方法 | |
| WO2013086615A1 (en) | Device and method for detecting congenital dysphagia | |
| CN113591769B (zh) | 基于光电容积脉搏描记法的非接触式心率检测方法 | |
| CN114469041A (zh) | 一种运动过程中心率变化数据特征分析方法 | |
| Zhang et al. | High-speed image analysis reveals chaotic vibratory behaviors of pathological vocal folds | |
| Prabhakar et al. | GMM better than SRC for classifying epilepsy risk levels from EEG signals |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210709 |
|
| RJ01 | Rejection of invention patent application after publication |